自编码器处理数据

自编码器组成：

1、正向卷积的编码器（Encoder）
2、反向卷积的解码器（Decoder）

自编码器流程：

流程一：Encoder是一个正向卷积的神经网络，通过卷积层，池化层，全连接层后，将输入数据转换成softmax形式的输出

流程二：Decoder是一个反向卷积的神经网络，通过反全连接层，反池化层，反卷积层后，将编码器输入的softmax形式的矩阵转换成与输入数据维度相同的仿制品

流程三：仿制品进入Encoder后，同样转换成softmax形式的输出

自编码器的训练：

自编码器由三个损失函数进行训练：

loss：流程一中，输入数据进入Encoder后，输出的softmax与标签的交叉熵损失函数。

de_loss：流程三中，仿制品进入Encoder后，输出的softmax与标签的交叉熵损失函数。

MES：流程二中，输入数据（矩阵）与Decoder生成的仿制品（矩阵）的均方误差。

自编码器的训练最终完成了如下任务：Encoder的识别效果足够好且Decoder生成的仿制品与真实输入数据的区别足够小

自编码器的使用：

完成训练后，新的输入数据进入自编码器时，Encoder的softmax输出即可作为识别结果

自编码器的原理：

简述下自己理解的自编码器的原理。

Encoder是一个常规的正向CNN神经网络，其类似于一个特征提取器，从输入数据中自行提取出了特征并用于分类。

但由于是神经网络，我们无法知道它具体提取了哪些特征，这些特征是否能正确表示输入数据。

而Decoder存在的作用就是对Encoder的输出结果进行反向操作，观察是否能通过Encoder输出的结果，重新得到当初的输入数据。即Encoder所提取的特征能否正确表示输入数据。

MES足够小，意味着确实能通过Encoder提取的特征反推得到输入数据，即Encoder所提取的特征确实能正确表示输入数据。